Stratégies et solutions pour la protection contre les attaques DDoS (Distributed Denial of Service)
Loading...
Date
2025-07-07
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
UMMTO-FGEI
Abstract
Les attaques par déni de service distribué (DDoS) représentent l’une des menaces les plus sérieuses pour la stabilité des infrastructures réseau et la continuité des services en ligne. Dans ce mémoire, nous proposons une approche basée sur l’IA (Intelligence artificielle) pour la détection des attaques DDoS, en combinant deux techniques d’apprentissage non supervisé : un AE (Auto-encodeur), issu du Deep Learning, et l’algorithme Isolation Forest, issu du Machine Learning. L’objectif est de concevoir un système capable de détecter automatiquement les anomalies dans le trafic réseau, sans utiliser des signatures connues.
L’étude repose sur le jeu de données CIC-IDS2019, reconnue pour sa richesse et sa pertinence dans l’évaluation des systèmes de cyber sécurité. Les deux modèles ont été formés et évalués à l’aide de métriques classiques (précision, rappel, F1-score), puis intégrés dans une interface graphique interactive développée en Python, permettant à l’utilisateur de lancer la détection en temps réel et de visualiser les résultats.
Les résultats expérimentaux montrent que l’AE offre une détection très sensible mais génère davantage de faux positifs, tandis qu’Isolation Forest est plus tolérant mais laisse passer certaines attaques. Ce travail met en évidence l’intérêt de combiner ou de choisir dynamiquement les modèles selon le contexte d’application, et ouvre la voie à des systèmes de protection adaptatifs, fiables et efficaces contre les attaques DDoS.
Description
66 p. : ill. ; 30 cm. (CD-Rom)
Keywords
Attaques DDoS, ML, IA, Apprentissage non supervisé, Auto-encodeur, Isolation Forest, DL
Citation
Réseaux et télécommunications